MétaCan
Menu
Retour à la cohorte
Enregistrement W2564784662 · doi:10.4212/cjhp.v69i6.1608

Characterization of Venous Thromboembolism Risk in Medical Inpatients Using Different Clinical Risk Assessment Models

2016· article· en· W2564784662 sur OpenAlexaffvenue
Reza Rafizadeh, Ricky D. Turgeon, Josh Batterink, Victoria Su, Anthony Lau

Notice bibliographique

RevueThe Canadian Journal of Hospital Pharmacy · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueVenous Thromboembolism Diagnosis and Management
Établissements canadiensSurrey Memorial HospitalSt. Paul's HospitalVancouver General HospitalBurnaby Hospital
Organismes subventionnairesnon disponible
Mots-clésVenous thromboembolismMedicineRisk assessmentIntensive care medicineInternal medicineThrombosisComputer science

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Background: Symptomatic venous thromboembolism (VTE) occurs in about 1% of patients within 3 months after admission to a medical unit. Recent evidence for thromboprophylaxis in an unselected medical inpatient population has suggested only a modest net benefit. Consequently, guidelines recommend careful risk stratification to guide thromboprophylaxis. Objectives: To compare candidacy for thromboprophylaxis according to 4 risk stratification models: a regional preprinted order (PPO) set used in the study institution, the Padua Prediction Score, and the IMPROVE predictive and associative risk assessment models. Methods: A retrospective review of health records was undertaken for patients with no contraindication to pharmacologic thromboprophylaxis who were admitted to the internal medicine service of a teaching hospital between April and July 2013. Results: Of the 298 patients in the study cohort, 238 (80.0%) received pharmacologic thromboprophylaxis on admission, ordered according to the regional PPO. However, according to the Padua and the IMPROVE predictive risk assessment models, only 64 (21.5%) and 21 (7.0%) of the patients, respectively, were eligible for thromboprophylaxis at the time of admission. On the basis of risk factors identified during the subsequent hospital stay, 54 (18.1%) of the patients were eligible for thromboprophylaxis according to the IMPROVE associative model. Chance-corrected agreement between the PPO and the published risk assessment models was generally poor, with kappa coefficients of 0.109 for the PPO compared with the Padua Prediction Score and 0.013 for the PPO compared with the IMPROVE predictive model. Conclusions: These data suggest that quantitative models such as the Padua Prediction Score and the IMPROVE models identify more patients at low risk of venous thromboembolism than do in-hospital qualitative risk assessment models. Adoption of these guideline-based risk assessment models for predicting thromboembolic risk in medical inpatients could reduce the use of pharmacologic thromboprophylaxis from 80% to as low as 7%. Further external prognostic validation of risk assessment models and impact analysis studies may show improvements in safety and resource utilization. RÉSUMÉ Contexte : La thromboembolie veineuse symptomatique se produit chez environ 1 % des patients dans les trois mois suivant leur admission à un service médical. Des données récentes portant sur la thromboprophylaxie chez une population non sélectionnée de patients hospitalisés ne suggéraient qu’un modeste avantage. Par conséquent, les lignes directrices recommandent une stratification du risque rigoureuse pour guider l’emploi d’une thromboprophylaxie. Objectifs : Comparer l’admissibilité à la thromboprophylaxie en fonction de quatre modèles de stratification du risque : un ensemble d’ordonnances préimprimées adopté dans une région et utilisé dans l’établissement à l’étude, le score prédictif de Padua et les modèles prédictifs et associatifs d’évaluation du risque issus de l’étude IMPROVE. Méthodes : Une analyse rétrospective des dossiers médicaux a été menée auprès des patients ne présentant pas de contre-indication à la thromboprophylaxie médicamenteuse qui ont été admis au service de médecine interne d’un hôpital universitaire entre avril et juillet 2013. Résultats : Parmi les 298 patients de l’étude de cohorte, 238 (80,0 %) ont reçu une thromboprophylaxie médicamenteuse au moment de l’admission, prescrite conformément à l’ensemble d’ordonnances préimprimées en usage dans la région. Or, respectivement selon les modèles prédictifs d’évaluation du risque Padua et IMPROVE, seuls 64 (21,5 %) et 21 (7,0 %) des patients étaient admissibles à la thromboprophylaxie au moment de l’admission. En fonction de facteurs de risques identifiés pendant le séjour subséquent à l’hôpital, 54 (18,1 %) des patients étaient admissibles à la thromboprophylaxie selon le modèle associatif IMPROVE. L’accord corrigé pour le hasard entre l’ensemble d’ordonnances préimprimées et les modèles d’évaluation du risque publiés était généralement faible, les coefficients de kappa étant de 0,109 pour l’ensemble d’ordonnances préimprimées comparé au score prédictif de Padua et de 0,013 pour l’ensemble d’ordonnances préimprimées comparé au modèle prédictif IMPROVE. Conclusions : Ces données suggèrent que les modèles quantitatifs comme le score prédictif de Padua et les modèles IMPROVE permettent de dépister plus de patients qui sont à faible risque de thromboembolie veineuse que ne le permettent les modèles qualitatifs d’évaluation du risque propres aux hôpitaux. L’adoption de ces modèles d’évaluation du risque mis de l’avant dans des lignes directrices pour prédire les risques d’événements thromboemboliques chez les patients médicaux hospitalisés pourrait réduire l’utilisation de la thromboprophylaxie médicamenteuse, qui pourrait passer de 80 % à aussi peu que 7 %. De plus amples validations externes quant à la valeur prédictive des modèles d’évaluation du risque et des études d’analyse d’impact pourraient montrer des améliorations à la sécurité et une réduction de l’utilisation des ressources.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,023
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,023
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,039
Tête enseignante GPT0,348
Écart entre enseignants0,309 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Hospital PharmacyMême sujetVenous Thromboembolism Diagnosis and ManagementTravaux en français237 207